评测里的 judge 判错，有时不是它不靠谱，而是证据根本没送全。论文把问题拆成四项输入保障：渲染后信息是否保留、检查是否覆盖要求、失败是否会阻断使用，以及… · @vintcessun · TwKit

@vintcessun

评测里的 judge 判错，有时不是它不靠谱，而是证据根本没送全。论文把问题拆成四项输入保障：渲染后信息是否保留、检查是否覆盖要求、失败是否会阻断使用，以及 judge 读到的是否正是检查过的内容。 https://arxiv.org/abs/2611.02676 在一条 30 条轨迹的流水线里，渲染器保留工具结果，却漏掉所有结构化工具调用；恢复这些调用后，某项错误标记差值从 13 降到 2。哈希只能证明字节没变，不能证明内容完整。新增控制拦住了 19 个构造故障中的 18 个；能否迁移到独立流水线，仍待验证。

曝光 13 · 评论 0 · 点赞 0 · 书签 0